海上风电机组齿轮箱进口油温异常预测

由于海上风电机组齿轮箱要长期承受无规律的变向变载荷的风力作用以及强阵风的冲击,为保证风电机组可靠运行,对齿轮箱进口油温进行异常预测。结合风电机组SCADA运行数据提出了一种基于SVM-RFECV算法和BP神经网络的风电机组齿轮箱进口油温异常预测方法。首先完成数据的预处理,然后利用SVM-RFECV算法计算不同变量的重要度,并选择平均交叉验证均方误差的最小变量组成最优特征,最后利用选取的最优特征数据建立的BP神经网络的预测模型,实现对风电机组齿轮箱进口油温异常预警。通过海上某风电场现场实际SCADA数据对模型进行验证,结果表明提出的方法能有效实现对风电机组齿轮箱进口油温异常预测。     

基于随机森林的海上风电机组发电机轴承异常状态监测方法

发电机轴承是海上风电机组中重要的零部件,其状态直接影响了海上风电机组的运行状态和发电量。文章通过结合机理分析和数据驱动提出了基于随机森林的海上风电机组发电机轴承异常状态监测方法,该方法先通过机理分析选取变量、清洗数据和标定样本状态,然后通过数据驱动的方法对海上风电机组发电机轴承的状态进行预测。通过现场实际的海上风电机组SCADA数据对该模型进行验证,所述方法能够有效预测海上风电机组发电机轴承的状态,并且能有效避免对异常状态的误报和漏报。     

基于CNN-LSTM的风力发电机组轴承异常检测

为保障风力发电机组的可靠运行,基于数据的机组异常状态检测尤为重要。文章提出一种基于级联深度学习模型的风力发电机组主轴承异常状态检测方法,首先利用风力发电机组机理知识和数据间的相关性选择与主轴承密切相关的参数,然后建立基于卷积神经网络（CNN）和长短记忆网络（LSTM）的观测参数与目标参数的逻辑关系,并且通过均方根误差评估模型预测温度与实际采集温度的差异。最后通过海上某风电场SCADA数据进行算例验证。结果表明：CNN-LSTM模型不仅能够更早得发现主轴承异常状态,还能够发现LSTM发现不了的主轴承异常特征。     

基于重构特征和宽度学习的海上风电机组齿轮箱高速轴故障预警

预测性维护是降低海上风电机组的运维管理成本,提高风机运行的可靠性,增加风电场整体经济效益的有效手段。文章针对齿轮箱高速轴轴承超温故障,提出了一种基于重构特征和宽度学习的海上风电机组齿轮箱高速轴故障预警算法。以齿轮箱高速轴前端轴承为例,通过对海上某风场的机组进行试验测试,验证算法能有效预测风机的在正常情况下的齿轮箱高速轴前端温度的变化轨迹。通过对重构温度的残差分析,试验的正确率和故障准确率达到了92.59%和80%。研究表明：该算法的测试准确性较好,可发现齿轮箱高速轴的早期阶段的损伤,满足实际的预警需求。